FOTOPRAK Redaksjonspraksis Emneplan

Tildeling av praksisplass forutsetter at alle tidligere semestre og eksamener er bestått.

Gjennom praksisperioden skal studentene få praktisk erfaring med selvstendig, fotojournalistisk arbeid i et mediehus.

I dette emnet skal studentene få en forståelse av noen av de viktigste prinsippene i Data Science og kognitive teknologier gjennom prosjektarbeid og online-ressurser. Studentene skal introduseres for grunnleggende prinsipper i maskinlæring, data science og kunstig intelligens. Hovedfokuset vil være på anvendelse av disse prinsippene for å løse industrielle oppgaver ved bruk av open-source eller andre data science plattform. Målet med emnet er å gi studentene en introduksjon til maskinlæring, data science og kunstig intelligens ved bruk av online-ressurser samtidig som studentene skal løse et industrielt problem i form av et større prosjektarbeid.

I tillegg til prosjektene som tilbys, kan;studenten selv finner et oppdrag i en relevant bedrift, offentlig organisasjon eller ideell organisasjon som stiller med en veileder (såkalt ekstern veileder).;Alle studentinitierte prosjekter må godkjennes av en veileder ved OsloMet før prosjektstart.

Arbeidsmengden tilsvarer to dager i uken over en 12 ukers periode. Dersom prosjektet gjennomføres om sommeren skal arbeidsmengden tilsvare 4 dager i uken over en 6-ukers periode.

Valgemnet igangsettes forutsatt at det er et tilstrekkelig antall studenter som velger emnet.

Ingen ut over opptakskrav.

Etter å ha gjennomført dette emnet har studenten følgende læringsutbytte, definert i kunnskap, ferdigheter og generell kompetanse:

Kunnskap

Studenten

• innehar grunnleggende teknisk forståelse av de viktigste konseptene innenfor maskinlæring, data science og kunstig intelligens.
• kjenner de viktigste metodene innenfor maskinlæring, data science og kunstig intelligens.
• er kjent med plattformer som kan benyttes til å gjennomføre større data science prosjekter (for eksempel IBM Watsons cloud services)

Ferdigheter

Studenten

• behersker grunnleggende Data Science verktøy og kan ekstrahere og visualisere informasjon fra større datamengder.
• forstår arbeidsflyten i større Data Science, kunstig intelligens- eller maskinlæringsprosjekter.
• kan anvende open-source og kommersielle verktøy som benyttes til å løse industrielle prosjekter innenfor Data Science, maskinlæring eller kunstig intelligens.

Generell kompetanse

Studenten

• behersker metoder og verktøy for utforming og gjennomføring av prosjekter innenfor Data Science, maskinlæring eller kunstig intelligens.
• er kjent med de forskjellige metodene som brukes for å finne riktig verktøy for å gjennomføre Data Science-prosjekter.
• har oversikt over hvordan man visualiserer, manipulerer data og utvikler prediktive modeller for å løse industri- og andre arbeidslivsrelevante problemer

Følgende arbeidskrav er obligatorisk og må være godkjent for å kunne framstille seg til eksamen:

• Emnet starter med en obligatorisk introduksjonssamling.
• En prosjektskisse som beskriver hvordan gruppen vil gå fram for å gjennomføre sitt prosjekt.
• En standard læringsavtale må inngås mellom prosjekttilbyder/veileder og studenten(e), og denne må godkjennes av emnekoordinatoren før prosjektet kan starte.
• Tre møtereferater fra veiledningsmøter i løpet av prosjektperioden.
• Muntlig presentasjon midtveis i semesteret,;individuelt eller i gruppe (maks. 5 studenter), 10 minutter + 5 minutter til spørsmål.

;

Fristene for prosjektskissen og møtereferater;vil fremgå av undervisningsplanen som gjøres tilgjengelig ved semesterstart.

Skriftlig prosjektrapport (100% av karakteren);

Skriflig prosjektrapport levert på slutten av semesteret. individuelt eller i gruppe (maks. 5; studenter),;3000 ord +/-10 %

Normalt får alle i gruppen samme karakter, men under eksepsjonelle omstendigheter kan individuelle karakterer tildeles etter prosjektveilederen(e) og studieleder sin vurdering.

Eksamensresultat kan påklages.

Alle hjelpemidler er tillatt så lenge regler for kildehenvisning følges.

Gradert skala A-F.

Emnet bygger på DAPE1400 Programmering og DAPE2000 Matematikk med statistikk. Studenter som ikke har grunnleggende programmerings- og statistikk-kunnskap vil måtte påregne en betydelig egeninnsats for å dekke dette.